Fugu-MT 論文翻訳(概要): Learning In-Hand Object Reaching to General 6D Poses

論文の概要: Learning In-Hand Object Reaching to General 6D Poses

arxiv url: http://arxiv.org/abs/2609.13761v1
Date: Sat, 12 Sep 2026 07:11:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-16 07:15:05.543533
Title: Learning In-Hand Object Reaching to General 6D Poses
Title（参考訳）: 一般的な6Dモデルに手作業でオブジェクトの取得を学習する
Abstract要約: 手で操作することで、複数の指のデキスタラスハンドが、それをリリースしたり、再生したりすることなく、把握したオブジェクトを再構成することができる。既存のグリップから、調整された指の動きから、物体をヤシ相対的なターゲットポーズに移動させる。本稿では,この課題に対する実力強化学習フレームワークであるPOISEを提案する。
参考スコア（独自算出の注目度）: 20.489992320820324
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In-hand manipulation allows multi-fingered dexterous hands to reconfigure grasped objects without releasing and regrasping them. This improves manipulation efficiency by reducing repeated grasp acquisition and large arm motions. However, most learning-based methods focus on reorientation, continuous rotation, or translation, whereas many tasks require joint control of object position and orientation. We formulate this capability as in-hand 6D object pose reaching: starting from an existing grasp, coordinated finger motions move the object to a palm-relative target pose. We present POISE (Palm-relative Object reaching In SE(3)), a sim-to-real reinforcement learning framework for this task. POISE combines diverse stable-grasp initialization, goal- and geometry-conditioned control, an adaptive 6D goal curriculum, and a compact reward scheme for pose reaching and grasp preservation. In simulation, diverse initialization raises held-out-grasp success from 40.1% to 51.5% and post-drop recovery from 33.8% to 72.9%; the curriculum raises full-range success from 6.2% to 59.5%. On hardware, the grasp-maintenance reward improves three-target sequence success from 20% to 80%. In real-world experiments, POISE reaches successive 6D targets without manual reset across multiple object geometries and wrist orientations, and recovers from external disturbances. To support further research in dexterous manipulation, we will release our code at https://junxiaolin.github.io/poise-website/.
Abstract（参考訳）: 手で操作することで、複数の指のデキスタラスハンドが、それをリリースしたり、再生したりすることなく、把握したオブジェクトを再構成することができる。これにより、繰り返しの把持と大腕の動きを低減し、操作効率を向上させる。しかし、ほとんどの学習ベースの手法は、方向転換、連続回転、翻訳に重点を置いているが、多くのタスクは、物体の位置と向きの協調制御を必要とする。既存のグリップから、調整された指の動きから、物体をヤシ相対的なターゲットポーズに移動させる。本稿では,Palm-relative Object reach In SE(3)を提案する。 POISEは、多様な安定グラフ初期化、ゴール条件と幾何学条件の制御、適応型6Dゴールカリキュラムと、ポーズリーチと把握のためのコンパクトな報酬スキームを組み合わせる。シミュレーションでは、多様な初期化が40.1%から51.5%に、ドロップ後の回復が33.8%から72.9%に増加し、フルレンジの成功が6.2%から59.5%に増加した。ハードウェア上では、グリップ維持報酬は3つのターゲットシーケンスの成功を20%から80%に改善する。実世界の実験では、POISEは複数のオブジェクトジオメトリや手首の向きを手動でリセットすることなく連続した6Dターゲットに到達し、外乱から回復する。厳密な操作に関するさらなる研究をサポートするため、コードについてはhttps://junxiaolin.github.io/poise-website/.com/で公開します。

関連論文リスト

Cross-Embodiment Dexterous Hand Articulation Generation via Morphology-Aware Learning [82.63833405368159]
既存のエンドツーエンドメソッドでは、特定の手で大規模なデータセットをトレーニングする必要がある。本稿では,固有グラフに基づくクロスボデーメントグリップ生成のためのエンドツーエンドフレームワークを提案する。
論文参考訳（メタデータ） (2025-10-07T15:57:00Z)
Camera Pose Refinement via 3D Gaussian Splatting [9.142303730601162]
カメラポーズ補正は,3次元コンピュータビジョンにおける初期ポーズ推定の精度向上を目的としている。 3次元ガウススプラッティングを利用した新しいカメラポーズ改善フレームワーク(3DGS)を提案する。本手法は,7シーンとケンブリッジ・ランドマークス・データセットの中央値翻訳と回転誤差を53.3%,56.9%削減する。
論文参考訳（メタデータ） (2025-08-25T10:29:59Z)
Learning Point Cloud Representations with Pose Continuity for Depth-Based Category-Level 6D Object Pose Estimation [5.473857267110271]
HRC-Poseは,カテゴリレベルのオブジェクトポーズ推定のための,新しい奥行きのみのフレームワークである。 HRC-Poseはオブジェクトをローテーションと翻訳のコンポーネントに分解し、ネットワーク全体で個別にエンコードされ、活用される。 REAL275およびCAMERA25ベンチマークの結果、我々の手法は既存の深さのみの最先端手法よりも一貫して優れていた。
論文参考訳（メタデータ） (2025-08-20T02:09:02Z)
DexCatch: Learning to Catch Arbitrary Objects with Dexterous Hands [14.712280514097912]
そこで我々は,器用な手を用いたスローング・キャッチタスクのための学習ベースのフレームワークを提案する。提案手法は45シナリオで73%の成功率を達成する(さまざまなポーズやオブジェクト)。物体が横向きに向き合うタスクでは、手のひらからの支持が欠如しているため非常に不安定なシナリオであり、我々の手法は依然として60%以上の成功率を達成している。
論文参考訳（メタデータ） (2023-10-13T01:36:46Z)
Learning to Estimate 6DoF Pose from Limited Data: A Few-Shot, Generalizable Approach using RGB Images [60.0898989456276]
本稿では,数ショットの6DoFポーズ推定のためのCas6Dという新しいフレームワークを提案する。極めて少数の設定で対象物検出の偽陽性に対処するために,本フレームワークでは,自己教師付き事前学習型ViTを用いて,ロバストな特徴表現を学習する。 LINEMODとGenMOPデータセットの実験結果は、Cas6Dが32ショット設定で最先端の手法を9.2%、精度3.8%(Proj-5)で上回ることを示した。
論文参考訳（メタデータ） (2023-06-13T07:45:42Z)
HACMan: Learning Hybrid Actor-Critic Maps for 6D Non-Prehensile Manipulation [29.01984677695523]
本稿では6次元非包括的操作のための強化学習手法であるHybrid Actor-Critic Maps for Manipulation (HACMan)を紹介する。シミュレーションおよび実世界における6次元オブジェクトポーズアライメントタスクにおけるHACManの評価を行った。代替アクション表現と比較して、HACManは最高のベースラインの3倍以上の成功率を達成する。
論文参考訳（メタデータ） (2023-05-06T05:55:27Z)
Coupled Iterative Refinement for 6D Multi-Object Pose Estimation [64.7198752089041]
既知の3DオブジェクトのセットとRGBまたはRGB-Dの入力画像から、各オブジェクトの6Dポーズを検出して推定する。我々のアプローチは、ポーズと対応を緊密に結合した方法で反復的に洗練し、アウトレーヤを動的に除去して精度を向上させる。
論文参考訳（メタデータ） (2022-04-26T18:00:08Z)
SO-Pose: Exploiting Self-Occlusion for Direct 6D Pose Estimation [98.83762558394345]
SO-Poseは、オブジェクトの6自由度(6DoF)をすべて、単一のRGBイメージから散らばった環境でポーズさせるフレームワークである。本稿では,3次元オブジェクトの2層表現を確立するために,自己閉塞に関する新たな推論を導入する。対応性,自己閉塞性,6次元ポーズを整列する層間合成により,精度とロバスト性をさらに向上させることができる。
論文参考訳（メタデータ） (2021-08-18T19:49:29Z)
Contact-GraspNet: Efficient 6-DoF Grasp Generation in Cluttered Scenes [50.303361537562715]
6-DoFパラレルジャッジの分布を効率的に生成するエンドツーエンドネットワークを提案する。観測された点群の6-DoF把握ポーズと幅を根付かせることで、把握表現の寸法を4-DoFに縮小することができます。構造クラッタにおける未知物体のロボット把持実験では, 90%以上の成功率を達成し, 最近の最先端手法と比較して, 故障率を半分に削減した。
論文参考訳（メタデータ） (2021-03-25T20:33:29Z)
EfficientPose: An efficient, accurate and scalable end-to-end 6D multi object pose estimation approach [0.0]
6次元オブジェクトのポーズ推定のための新しいアプローチであるEfficientPoseを紹介する。非常に正確で、効率的で、幅広い計算資源に対してスケーラブルである。複数のオブジェクトやインスタンスの2Dバウンディングボックスを検出したり、ひとつのショットで完全な6Dポーズを推定することができる。
論文参考訳（メタデータ） (2020-11-09T10:23:55Z)
Goal-Auxiliary Actor-Critic for 6D Robotic Grasping with Point Clouds [62.013872787987054]
6次元グルーピングのためのクローズドループ制御ポリシーを学習するための新しい手法を提案する。本ポリシーでは,エゴセントリックカメラからの物体のセグメント化点雲を入力とし,ロボットグリップの連続した6次元制御動作を出力し,物体をつかむ。
論文参考訳（メタデータ） (2020-10-02T07:42:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。